以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Reliable dermatology AI requires access to verifiable evidence distributed across heterogeneous textual and visual sources. However, conventional retrieval-augmented generation (RAG) typically relies on one-shot retrieval from flat corpora, limiting its ability to adapt retrieval granularity, explore multi-hop relation
阅读原文 · Jing Hao, Weinan Zhou, Zhihong Lu, Yaling Shen, Yiming Xu, Yefeng Liu, Siyuan Yan, Shuaibo Li, Ming Dai, Junjun He, Zuyi Zhu, Jinjie Gu, Lijun Wu, Jian Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
皮肤科 AI 的难点在于：模型答得对不对，往往没法核对。指南、教科书、病例图片散落在不同来源，传统 RAG 一次性从扁平语料里捞几段文本，既没法按需调整检索粒度，也走不了多跳关系，更别说把图像证据和文本证据拼到一起。 SkinMind 想做的就是这件事：把检索变成一个智能体在知识图谱上反复探查的过程。论文来自 arXiv，也可以在 Hugging Face...